摘要
我们提出了一种新的监督学习框架，用于将3D点云过分割为超点（superpoints）。我们将这一问题视为学习3D点的局部几何和辐射特征的深度嵌入，使得物体边界呈现出高对比度。这些嵌入通过一个轻量级神经网络计算，该网络在点的局部邻域上运行。最后，我们将点云过分割问题表述为基于所学嵌入的图划分问题。这种新方法在密集室内数据集（S3DIS）和稀疏室外数据集（vKITTI）上显著提升了点云过分割的最新水平。我们的最佳解决方案在S3DIS上达到类似性能所需的超点数量比先前发表的方法减少了五倍以上。此外，我们还展示了该框架可以用于改进基于超点的语义分割算法，从而在这项任务中也设立了新的最先进水平。